當下，車企直接把DeepSeek做智駕接入的可能性不大。

文丨智駕網 王欣
編輯 | 雨來

春節期間，DeepSeek 在全球科技圈引發強烈震動。此熱議從國內蔓延到歐美科技圈乃至西方主流媒體如《自然》、《紐約時報》、《經濟學人》等。盡管全球來自科技、金融、政府等領域的專家對其評價各有側重，但其出圈和影響力已不容忽視。

DeepSeek-R1的橫空出世更是讓中國智駕圈悄然上演了一場算力起義。

01.
DeepSeek為智駕帶來了算法、算力和數據多維度的借鑒

2025年全民智駕爆發之際，截至現在，長安、長城、吉利、比亞迪、東風、通用等十幾家車企官宣了與國內大模型公司DeepSeek深度融合的合作。

今年1月，國內大模型公司DeepSeek發布了DeepSeek-R1，并同步開源。這一推理模型擁有思維鏈輸出，在數學、代碼、自然語言推理等任務上擁有不弱于美國OpenAI o1的表現。

在車企被算力規模受制的當下，DeepSeek模型百萬Token輸出僅需16元，遠低于OpenAI O1及O1 mini的價格（分別為438元及88元）讓整個行業期盼下一個更高級別的智能化技術涌現時刻。尤其是對汽車行業來說，當低算力、低成本的創新性大模型涌入車圈，更為當下業界都在呼喚的智駕平權摁下了加速器。

DeepSeek的到來為智駕產業帶來了算法、算力和數據多維度的借鑒，在智駕算法和算力上可體現為：

DeepSeek對智駕算法提升主要集中在感知層多模態融合、決策層策略優化、知識蒸餾等多個方面。

DeepSeek的多模態模型能夠整合道路圖像、交通標識、車輛傳感器數據等多種信息，促進車端場景理解能力提升。

而在決策與控制方面，DeepSeek能夠自行涌現出長思維鏈能力，模擬人類駕駛員對突發事件的反思與策略調整，優化自動駕駛的決策邏輯。

從算力維度出發，Deepseek極大降低了大模型對于算力的需求，為此，也有了英偉達的市值一夜之間蒸發了6000億美元的現象級事件。

2月6日，吉利汽車已經宣布，其自研大模型與DeepSeek已完成深度融合，成為節后首個官宣與DeepSeek合作的國內車企。

按照吉利官方公布的信息，與DeepSeek-R1模型深度融合之后，吉利將對星睿車控FunctionCall大模型、汽車主動交互端側大模型等進行蒸餾訓練，融合后的吉利汽車AI，能夠主動分析用戶的潛在需求，提供更全面的智能服務。

開源證券2月5日研報指出，DeepSeek-R1模型的諸多優化方法有望為智駕行業所借鑒。目前自動駕駛玩家推動大語言模型甚至視覺語言動作模型（VLA）上車提升智駕算法的認知能力，DeepSeek-R1有望作為優秀的教師模型，將其性能蒸餾給車端模型，進一步提升車端模型的能力。

總結而言：

• 車端算力需求下降：可提供開源模型（如Deepseek R1），通過知識蒸餾壓縮大模型，降低車端部署成本。

• 算力需求降低，云端模型訓練成本下降：相同算力下，推理速度提升。算力需求少，大幅節省成本。

• 多模態能力更強：跨模態遷移后Deepseek邏輯性與場景理解更強，極端路況（如斷頭路）表現優于傳統模型。

這些都對于DeepSeek推動高階智駕實現商業化落地和普及有積極作用。

當前智駕開發難度最大的是復雜的城區場景，依賴傳統的感知模型很難去解決那些長尾場景，各家都有去嘗試去開發訓練VLM模型以優化對類似復雜的長尾場景的檢測及處理能力。

但開發這樣一套系統，依賴極大的云端算力及數據訓練成本，并且部署到車端的模型也依賴較大算力的硬件平臺。

因此知行汽車科技系統總監張偉認為，DeepSeek通過其獨特的技術優勢，如MOE、MLA、GRPO等，可以很好賦能智能駕駛的開發。

但即便在優化云端 「教師模型」環節中，也仍需要對世界模型、VLA模型等核心模型進行訓練并優化訓練成果。在云端模型優化過程中，訓練算力規模、數據規模仍是云端教師模型能力提升的核心參數指標。

可以預料到，未來車企、供應商的核心差距將取決于數據規模與模型優化能力。

往往，在智能駕駛的浪潮中，算法、傳感器、高精地圖等技術常常成為討論的焦點，而數據的力量卻往往被忽視。

智能駕駛的核心在于「智能」，而智能的本質是數據。無論是感知、決策還是控制，智能駕駛的每一個環節都依賴于海量數據的支持。DeepSeek的獨特之處在于，它不僅僅是一個數據處理工具，而是一個從數據采集、清洗、分析到應用的全鏈條解決方案提供商。

傳統的數據采集方式往往局限于車輛自身的傳感器，而DeepSeek通過整合車端、路端和云端的多源數據，構建了一個多維度的數據生態。

例如，通過車聯網技術，DeepSeek能夠實時獲取車輛的行駛數據、環境數據以及駕駛員行為數據，同時結合路側單元（RSU）和云端的高精地圖數據，形成一個完整的「數據閉環」。

這種多維數據采集方式，不僅提高了數據的豐富性，還為智能駕駛系統提供了更全面的環境感知能力。例如，在復雜的城市道路場景中，單一傳感器可能無法準確識別障礙物，而DeepSeek的多源數據融合技術可以通過交叉驗證，顯著提升感知精度。

數據采集只是第一步，如何從海量數據中提取有價值的信息，才是關鍵。

DeepSeek通過自研的AI算法和機器學習模型，能夠對原始數據進行高效清洗、標注和分析。例如，在自動駕駛訓練中，DeepSeek的算法可以自動識別和標注道路上的行人、車輛和交通標志，大幅降低了人工標注的成本和時間。

此外，DeepSeek還開發了基于邊緣計算的數據處理技術，能夠在車端實時完成部分數據處理任務，減少對云端的依賴。這種「邊云協同」的模式，不僅提高了數據處理的效率，還增強了智能駕駛系統的實時性和安全性。

02.
DeepSeek的方法論有望重塑智駕生態

DeepSeek的影響力不僅僅局限于技術層面，它正在通過數據的力量，重塑整個智能駕駛生態。

自動駕駛算法的訓練需要大量的場景數據，而DeepSeek通過其龐大的數據平臺，為車企和自動駕駛公司提供了豐富的數據資源。例如，DeepSeek的「場景庫」中包含了數百萬公里的真實道路數據，涵蓋了各種極端天氣、復雜路況和突發場景。

從算法開發者角度而言，這些數據可以幫助他們更快速發現和修復模型的缺陷，從而加速算法的迭代和優化。

更重要的是，DeepSeek還通過數據共享機制，推動了行業內的協同創新。例如，多家車企可以通過DeepSeek的平臺共享匿名化的駕駛數據，共同提升自動駕駛算法的性能。這種「數據共贏」的模式，正在打破傳統車企之間的數據壁壘，推動整個行業的技術進步。

DeepSeek的野心不僅僅局限于數據本身，它正在通過數據的力量，構建一個全新的智能駕駛生態。未來，DeepSeek可能會在以下幾個方面繼續發力：

一是數據標準化。

目前，智能駕駛行業的數據標準尚未統一，這給數據共享和協同創新帶來了很大的障礙。DeepSeek有望通過其技術優勢，推動行業數據標準的制定和普及，從而打破數據孤島，實現更高效的數據流通。

二是AI模型的輕量化。

隨著智能駕駛技術的普及，如何在資源有限的車端設備上運行復雜的AI模型，成為了一個重要的挑戰。DeepSeek正在研發輕量化的AI模型和高效的壓縮算法，以降低計算資源的消耗，從而推動智能駕駛技術在更多車型上的應用。

03.
調用DeepSeekAPI接口稱不上深度融合

不過，回到現實，目前國內汽車公司能夠快速實現DeepSeek上車，大概率只是調用了DeepSeek開放的API（應用程序編程接口），往DeepSeek充值了一些費用，還沒有完全做到真正意義上的定制化深度融合。

正如何小鵬的評論：「有十家宣布深度融合DeepSeek的汽車，他們的方法只是通過外部調用了一下接口，這個對最終的Driver（駕駛者）沒有那么大價值。真正做到用戶的體感是非常優秀的才行。」

日前，輕舟智航官宣了基于J6M中算力平臺做安全的端到端方案，同時采用基于運動模擬的世界模型做離線訓練。輕舟也坦承表示：「和DeepSeek是類似的方法，但并不是已經用了DeepSeek，智駕上沒人敢這么吹。」

所以當下，車企直接把DeepSeek做智駕接入的可能性不大。畢竟DeepSeek還處于大型語言模型階段，其更快的應用場景仍是在座艙層面，提供更優的座艙交互以及孕育全新應用場景，而想要直接應用自動駕駛還有更漫長的探索過程。

因此，DeepSeek可以被視為當前智駕的重要工具，但還遠沒到改變格局的時候。

目前，智能駕駛在安全性方面要求很高，為確保功能安全可靠，需要投入較長時間進行訓練。而且，由于不同車型在算力和架構上存在差異，即便采用蒸餾技術，后續仍要依據具體車型完成有針對性的開發工作。

尾聲：

DeepSeek產生的影響是多方面的，但對于智能汽車產業而言，各主機廠積極接入當然是一件好事，但是在當下意圖通過某一項技術的接入而實現“研發、產出的平權”并給消費者帶來相同的體驗，是不現實的。

在DeepSeek之前，英偉達推出的Cosmos模型也宣稱可以極大的降低智駕研發投入，降低數據需求。

不過換個視角，無論是DeepSeek還是Cosmos都是工具，對于沒有正向研發能力的車企而言，除了跟蹤熱點并不能改變自己在整個產業中的弱勢地位。

還是那句話，在研發方面，雖然并非一分投入一分收獲，但對于建立了完整研發體系的主機廠而言，DeepSeek的方法論遠比API接入要有價值的多。

【關注智能駕駛，關注智駕視頻號】

關注汽車的智駕時代上智駕網（http://autor.com.cn）
合 作or新聞線索提供，聯系郵箱：editor@autor.com.cn
聯絡交流，文章轉載 ，添加作者微信：xinwell0709